[发明专利]微电网的控制方法、装置、终端及存储介质

权利要求书

1.一种微电网的控制方法，其特征在于，所述微电网包括储能系统和负荷设备；所述方法包括：

通过第一模糊规则确定与所述微电网的实时负荷需求和实时电价对应的初始购电功率序列；其中，所述第一模糊规则基于历史负荷需求、历史电价和历史购电功率序列确定；

通过第二模糊规则确定与实时充放电平衡度和实时出力强度对应的修正量；其中，所述第二模糊规则基于历史充放电平衡度和历史出力强度和历史修正量确定；

基于所述修正量对所述初始购电功率序列进行修正，得到购电功率序列，以基于所述购电功率序列对所述微电网进行控制。

2.根据权利要求1所述的微电网的控制方法，其特征在于，在所述通过第二模糊规则确定与实时充放电平衡度和实时出力强度对应的修正量之前，所述方法还包括：

获取所述微电网的预测光伏功率；

基于所述预测光伏功率和所述实时负荷需求计算储能功率；

基于所述储能功率和出力强度计算公式计算实时出力强度；所述出力强度计算公式为：

其中，P.ref(k)表示k时刻的储能功率，P.cmax表示所述储能系统的最大充电功率，P.dmax表示所述储能系统的最大放电功率，w_c和w_d表示权重因子。

3.根据权利要求2所述的微电网的控制方法，其特征在于，所述获取所述微电网的预测光伏功率，包括：

将实时天气信息输入经过训练的光伏功率预测模型，得到预测光伏功率；其中，所述光伏功率预测模型为BP神经网络。

4.根据权利要求3所述的微电网的控制方法，其特征在于，在所述获取所述微电网的预测光伏功率之前，所述方法还包括：

建立初始的光伏功率预测模型；其中，所述光伏功率预测模型为28-57-24结构，tansig函数为隐含层神经元的激活函数，logsig函数为输出层神经元的激活函数；

采用trainbr梯度下降法，基于训练数据集对初始的光伏功率预测模型进行训练，得到经过训练的光伏功率预测模型。

5.根据权利要求1所述的微电网的控制方法，其特征在于，在所述通过第二模糊规则确定与实时充放电平衡度和实时出力强度对应的修正量之前，所述方法还包括：

获取实时荷电状态；

基于所述实时荷电状态和充放电平衡度计算公式计算实时充放电平衡度；其中，所述充放电平衡度计算公式为：

其中，C_soc(k)表示所述储能系统在k时刻的荷电状态，C_soc.ref表示所述储能系统的soc推荐值，Csoc.max表示所述储能系统的最大荷电值，Csoc.min表示所述储能系统的最小荷电值。

6.根据权利要求1至5任一项所述的微电网的控制方法，其特征在于，在所述通过第一模糊规则确定与所述微电网的实时负荷需求和实时电价对应的初始购电功率序列之前，所述方法还包括：

获取多个历史时段对应的负荷需求、电价和购电功率序列；

基于各个负荷需求、电价和购电功率序列的对应关系确定所述第一模糊规则。

7.根据权利要求1至5任一项所述的微电网的控制方法，其特征在于，在所述通过第二模糊规则确定与实时充放电平衡度和实时出力强度对应的修正量之前，所述方法还包括：

获取多个历史时段的充放电平衡度、出力强度和修正量；

基于各个充放电平衡度、出力强度和修正量的对应关系确定所述第二模糊规则。